本文提出一种使用图表数据的自动事实检查任务，介绍了第一个对抗图表数据的自动事实检查模型 ChartBERT，结果表明其精度为 63.8％，可实现但存在挑战。

Jan, 2023

本研究致力于解决社交媒体和 Web 网站中虚假声称的爆炸性增长所带来的手动事实检查的挑战。该研究新建了数据集并探讨了几种特征对声明、图片及二者之间的关系进行建模。最终评估结果显示与基线相比，取得了显著的进展，并发布了数据集以期推动该领域的进一步研究。

Aug, 2019

本文提出了一个大规模基准测试，包括 9.6K 个人为编写的问题和 23.1K 个由人类编写的图表摘要生成的问题，并运用两种基于 Transformer 的模型来回答问题，这些模型将图表的视觉特征和数据表统一起来处理来解决目标检测中的视觉和逻辑推理等问题。

Mar, 2022

论文介绍了一种新的认领审核数据集，其中包括来自搜索引擎查询的实例，共包含 10,987 个带有证据的主张，证据来自完整的维基百科文章，注释具有章节和句子级别的细粒度，通过总体评估，作者发现使用证据提取来总结最终用户的理由时，预测主张真实性的准确性并没有明显差异，此数据集还存在挑战性问题，作者在转移学习实验中进行了证明

Apr, 2021

本文介绍了一个新的数据集 AVeriTeC，包含 4,568 个来自 50 个不同机构的真实事实核查内容，每个内容都包含了来自在线可用资源的支持性证据和文本理由，以及多轮注释过程中的评审结果，提供了一个基于多个问题回答步骤的基线和模型评估，旨在弥补目前自动事实核查数据集的缺陷。

May, 2023

为弥合中文数据集和工具欠缺的鸿沟，本文构建了 CHEF 作为第一个涵盖政治，公共卫生等多个领域的中文证据支持事实核查数据集，并提出了可作为潜在变量的证据检索、事实预测模型的端到端新方法，广泛实验表明 CHEF 具有很强的挑战性，适用于对非英文主张进行证据检索和推理的事实核查系统的开发。

Jun, 2022

我们在真实世界的图表中对图表视觉问答任务进行了全面的研究，提出了一种基于模板的图表问题创建的新型分类法，并引入了一个包含新答案类型的数据集，从而为模型的一阶逻辑能力评估提供了一个标准，该研究通过对真实世界超出分布的数据集的实验结果，对大规模预训练模型进行了稳健评估，并推进了图表视觉问答和神经网络的形式逻辑验证领域。

Aug, 2023

在数字时代，从互联网上获取健康相关的建议已成为一种常见做法。然而，评估在线医学声明的可靠性并找到相应的证据变得越来越具有挑战性。本文介绍了一种新颖的、由医学专家标记为真实性的并提供来自临床研究的证据支持的 750 个健康相关声明的数据集。我们分析了该数据集的特征和挑战，并提供了基于不同方法的基准模型，研究了它们的性能并讨论了相关发现，以帮助推进这一任务的自动化。该数据集可用于与自动事实核查相关的机器学习任务，例如证据检索、真实性预测和解释生成。

Sep, 2023

本研究提供 FACTIFY2 这一多模态事实核查数据集以及相关算法，并使用新数据源和添加讽刺文章来改进 FACTIFY1，FACTIFY2 具有 50,000 个新实例数据，包含支持、无证据和驳斥三个分类以及文本和视觉数据的三个子分类，使用基于 BERT 和 Vision Transformer 的基础模型的测试集 F1 分数为 65％。

Apr, 2023

本研究提出了一种名为 ClaimDiff 的新的数据集，用于比较包含微妙差别的主张对之间的区别，并帮助人们在各种媒体来源中做出更明智的决策。

May, 2022